ae_neurocomp.tex

% Copyright (c) 2010 Jérémie DECOCK (http://www.jdhp.org)

% This document is provided under the terms of the "Creative Commons BY-SA"
% license.
% For more details, read "legalcode.html" enclosed file or
% "http://creativecommons.org/licenses/by-sa/2.0/fr/" web page.

%\documentclass[draft]{beamer}
\documentclass{beamer}

\usepackage[utf8]{inputenc}
\usepackage[frenchb]{babel}

\usepackage{subfigure}
\usepackage{listings}
\usepackage{calc}

% listings setup
\lstset{
    basicstyle=\small,                            % print whole listing small
    keywordstyle=\color{black}\bfseries\underbar, % underlined bold black keywords
    identifierstyle=,                             % nothing happens
    commentstyle=\color{white},                   % white comments
    stringstyle=\ttfamily,                        % typewriter type for strings
    showstringspaces=false                        % no special string spaces
}

\title{Les algorithmes évolutionnistes utilisés dans le cadre des
       neurosciences computationnelles}

% \author[⟨short author names⟩]{⟨author names⟩}
% The names should be separated using the command \and.
\author[Decock]{Jérémie~\bsc{Decock}}

\institute{UPMC}
\date{29 janvier 2010}

% \subject{⟨text⟩}
% Enters the ⟨text⟩ as the subject text in the pdf document info.
% It currently has no other effect.
\subject{Les algorithmes évolutionnistes utilisés dans le cadre des
         neurosciences computationnelles}

% \keywords{⟨text⟩}
% Enters the ⟨text⟩ as keywords in the pdf document info.
% It currently has no other effect. 
\keywords{algorithmes évolutionnistes, neurosciences computationnelles}

\begin{document}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

\begin{frame}
    \titlepage
\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

\begin{frame}{But des neurosciences computationnelles et des algorithmes
              évolutionnistes~?}
    \begin{block}{Algorithmes évolutionnistes}
        Trouver des solutions satisfaisantes à des problèmes d'optimisation
    \end{block}
    ~\\
    \begin{block}{Neurosciences computationnelles}
        Découvrir les principes computationnels des fonctions cérébrales et de
        l'activité neuronale
    \end{block}
\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

\begin{frame}{Plan}
    %\tableofcontents
    \tableofcontents[sectionstyle=show/show,subsectionstyle=hide/hide/hide]
\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

\section{Introduction aux algorithmes évolutionnistes}

\begin{frame}
    \begin{center}
        {\LARGE Introduction aux algorithmes évolutionnistes}
    \end{center}
\end{frame}

\subsection{Introduction aux algorithmes évolutionnistes}

\begin{frame}{Définition}
    Les algorithmes évolutionnistes
    \begin{itemize}
        \item algorithmes stochastiques itératifs
        \item résoudre des problèmes d'optimisation
    \end{itemize}
    \begin{center}
            \includegraphics[width=.60\linewidth]{images/metaheuristiques}
    \end{center}
\end{frame}

\begin{frame}{Principe}
    S'inspire de la théorie synthétique de l'évolution (neodarwinisme)
    \begin{itemize}
        \item les caractéristiques "innées" sont codées dans les gènes
        \item chaque individu a un génotype unique
        \item le phénotype de chacun est plus ou moins adapté à
              l'environnement
        \item les gènes des parents sont croisés pour former le génotype
              de leurs enfants lors de la reproduction
        \item des mutations peuvent avoir lieu aléatoirement sur le génome
              des nouveaux individus
        \item les individus dont le phénotype inadapté à leur environnement
              ont moins de chance de survivre jusqu'à la reproduction
    \end{itemize}
\end{frame}

%\begin{frame}[containsverbatim]{Fonctionnement}
\begin{frame}[fragile]{Fonctionnement}
    Parallèle AE/Neodarwinisme
    \begin{itemize}
        \item individu = une solution potentielle du problème à résoudre
        \item genome = le codage des solutions 
    \end{itemize}
    ~\\
    \begin{lstlisting}[frame=single]
    begin Evolutionary computation
        t := 0
        P(t) := initialize_population() 
        evaluate(P(t))
        while not done do
            t := t+1
            P'(t) := select_parents(P(t))
            crossover(P'(t))
            mutate(P'(t))
            evaluate(P'(t))
            P(t+1) := select_survivals(P'(t),P(t))
        end while
    end Evolutionary computation
    \end{lstlisting}
\end{frame}

\begin{frame}{Fonctionnement}
    \begin{center}
            \includegraphics[width=.80\linewidth]{images/ae}
    \end{center}
\end{frame}

\begin{frame}{Problèmes couverts}
    Problèmes d'optimisation~: recherche d'optimums globaux\\
    ~\\
    Forces
    \begin{itemize}
        \item évitent les optimums locaux
        \item facilement transposables sur de nombreux types de problèmes
        \item réussissent là où les méthodes déterministes échouent
        \begin{itemize}
            \item problèmes NP-complet
            \item problèmes avec une fonction objectif discontinue et/ou non
                  dérivable
        \end{itemize}
    \end{itemize}
    ~\\
    Faiblesses
    \begin{itemize}
        \item recherche d'optimums \og~satisfaisants~\fg
        \item pas de résultat optimal garanti en temps fini
        \item on peut trouver des résultats différents à chaque exécution
        \item généralement moins rapides que les méthodes déterministe
    \end{itemize}
\end{frame}

\begin{frame}{Quels attraits pour les neurosciences computationnelles}
    Modèles calculables des fonctions cérébrales et des processus cognitifs\\
    ~\\
    Optimisation sur des modèles
    \begin{itemize}
        \item dynamiques
        \item non dérivables
        \item non continus
        \item comportant de nombreux paramètres
    \end{itemize}
    ~\\
    Recherche d'un optimum global
\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

\section{L'utilisation des algorithmes évolutionnistes dans le contexte des
         neurosciences computationnelles}

\begin{frame}
    \begin{center}
        {\LARGE L'utilisation des algorithmes évolutionnistes dans le contexte
         des neurosciences computationnelles}
    \end{center}
\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

\subsection{L'analyse et l'optimisation de modèles biologiques}

\begin{frame}{Plan - \secname}
    \tableofcontents[sectionstyle=hide/hide,subsectionstyle=show/shaded/hide]
\end{frame}

\begin{frame}{L'analyse et l'optimisation de modèles biologiques}
    Le contexte
    \begin{itemize}
        \item besoin de modèles simulant le comportement des structures
              nerveuses
        \item pour étudier leurs capacités computationnelles
        \item ces modèles sont de plus en plus complexes
        \item ils renferment de plus en plus de paramètres à optimiser
        \item pour obtenir un modèle fidèle à la réalité
    \end{itemize}
    ~\\
    Les algorithmes évolutionnistes permettent d'automatiser cette tâche
\end{frame}

\begin{frame}{L'analyse et l'optimisation de modèles biologiques}
    Exemples d'utilisation
    \begin{itemize}
        \item modélisation des propriétés computationnelles d'un neurone
              [KPK05]
        \item modélisation de la dynamique du traitement de l'information dans
              le neocortex [SIK04]
        \item modélisation et simulation des colonnes neocorticales (Blue
              Brain Project) [MAR06] [DBG07]
    \end{itemize}
\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

\subsection{L'optimisation de modèles \og~boite noire~\fg}

\begin{frame}{Plan - \secname}
    \tableofcontents[sectionstyle=hide/hide,subsectionstyle=show/shaded/hide]
\end{frame}

\begin{frame}{L'optimisation de modèles \og~boite noire~\fg}
    Le contexte
    \begin{itemize}
        \item optimiser les performances d'un modèle
        \item sans chercher à comprendre ou interpréter les résultats
              (applications pratiques)
    \end{itemize}
    ~\\
    Les besoins
    \begin{itemize}
        \item un outil capable de résoudre n'importe quel type de problème
              d'optimisation
        \item ayant recours à des fonctions objectif non dérivables et
              discontinues
        \item qui ne soit pas piégé par un optimum local
        \item dont l'implémentation doit être simple et générique
        \item évitant tout réglages qui impliquent une compréhension
              profonde du problème
    \end{itemize}
\end{frame}

\begin{frame}{L'optimisation de modèles \og~boite noire~\fg}
    Les algorithmes évolutionnistes répondent à ces attentes\\
    ~\\
    Exemple d'utilisation
    \begin{itemize}
        \item behavior-based robotics
        \begin{itemize}
            \item optimisation de modèles des ganglions de la base
                  [WLCH07]
            \item optimisation d'un modèle des formations réticulées
                  [HGP05]
        \end{itemize}
    \end{itemize}
\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

\subsection{L'observation de l'activité cérébrale}

\begin{frame}{Plan - \secname}
    \tableofcontents[sectionstyle=hide/hide,subsectionstyle=show/shaded/hide]
\end{frame}

\begin{frame}{L'observation de l'activité cérébrale}
    Exemple~: l'électro-encéphalographie (EEG)
    \begin{itemize}
    	\item mesure de l'activité électrique du cerveau
    	\item renseigne sur l'activité cérébrale du cortex
    	\item précis dans le temps mais pas dans l'espace
    \end{itemize}
    ~\\
    \begin{figure}
        \centering
        \subfigure{
            \includegraphics[width=.40\linewidth,height=.30\linewidth]{images/eeg1}
        }~~~
        \subfigure{
            \includegraphics[width=.40\linewidth,height=.30\linewidth]{images/eeg2}
        }
    \end{figure}
\end{frame}

\begin{frame}{L'observation de l'activité cérébrale}
    Apprentissage automatique
    \begin{itemize}
        \item classification des signaux enregistrés pour reconnaitre
              l'activité cérébrale mesurée
        \item pallier au manque de précision des signaux
    \end{itemize}
    ~\\
    Algorithmes évolutionnistes
    \begin{itemize}
        \item recherche de caractéristiques [GPAT03] [SBR03]
        \item optimiser la topologie du classifieur [BSHEB97]
    \end{itemize}
\end{frame}

\begin{frame}{Conclusion}
    L'utilisation des algorithmes évolutionnistes dans les neurosciences
    computationnelles~:
    \begin{itemize}
        \item l'analyse et l'optimisation de modèles biologiques
        \item l'optimisation de modèles \og~boite noire~\fg
        \item l'observation de l'activité cérébrale
    \end{itemize}
\end{frame}

\begin{frame}[allowframebreaks]{Bibliographie}
    \begin{itemize}
        \item $[$BCM02$]$
        B.~Blankertz, G.~Curio, and K.R. Muller,
        \emph{{Classifying single trial EEG: Towards brain computer
        interfacing}},
        Advances in neural information processing systems: proceedings of the
        2002 conference,
        MIT Press, 2002, p.~157.

        \item $[$BLV07$]$
        O.~Bai, P.~Lin, S.~Vorbach, J.~Li, S.~Furlani, and M.~Hallett,
        \emph{{Exploration of computational methods for classification of
        movement intention during human voluntary movement from single trial
        EEG}},
        Clinical Neurophysiology (2007).

        \item $[$BSHEB97$]$
        R.~Baumgart-Schmitt, WM~Herrmann, R.~Eilers, and F.~Bes,
        \emph{{On the Use of Neural Network Techniques to Analyse Sleep EEG
        Data First Communication: Application of Evolutionary and Genetic
        Algorithms to Reduce the Feature Space and to Develop Classification
        Rules}},
        NEUROPSYCHOBIOLOGY-BASEL-\textbf{36} (1997), 194--210.

        \item $[$DMW08$]$
        F.~Dohler, F.~Mormann, B.~Weber, C.E. Elger, and K.~Lehnertz,
        \emph{{A cellular neural network based method for classification of
        magnetic resonance images: Towards an automated detection of
        hippocampal sclerosis}},
        Journal of Neuroscience Methods \textbf{170} (2008), no.~2, 324--331.

        \item $[$DBG07$]$
        Druckmann, S. and Banitt, Y. and Gidon, A. and Sch{\\"u}rmann, F. and
        Markram, H. and Segev, I.,
        \emph{{A novel multiple objective optimization framework for
        constraining conductance-based neuron models by experimental data}},
        Frontiers in neuroscience \textbf{1} (2007), no.~1, p7.

        \item $[$GPAT03$]$
        D.~Garrett, D.A. Peterson, C.W. Anderson, and M.H. Thaut,
        \emph{{Comparison of linear and nonlinear methods for EEG signal
        classification}},
        IEEE Transactions on Neural Systems and Rehabilitative Engineering
        \textbf{11} (2003), no.~2, 141--144.

        \item $[$HGP05$]$
        Humphries, M.D. and Gurney, K. and Prescott, T.J.,
        \emph{{Is there an integrative center in the vertebrate brain-stem?}},
        Adaptive Behavior \textbf{13}, 2005, no.~2, 97.

        \item $[$HO97$]$
        N.~Hansen and A.~Ostermeier,
        \emph{{Convergence Properties of Evolution Strategies with the
        Derandomized Covariance Matrix Adaptation}},
        Eufit \textbf{97}, 650--654.

        \item $[$HO01$]$
        N.~Hansen and A.~Ostermeier,
        \emph{{Completely derandomized self-adaptation in evolution
        strategies}},
        Evolutionary computation \textbf{9} (2001), no.~2, 159--195.

        \item $[$KPK05$]$
        Keren, N. and Peled, N. and Korngreen, A.,
        \emph{{Constraining compartmental models using multiple voltage
        recordings and genetic algorithms}},
        Journal of neurophysiology \textbf{94} (2005), no.~6, 3730.

        \item $[$MAR06$]$
        Markram H., \emph{{The blue brain project}},
        Nature Reviews Neuroscience \textbf{7} (2006), no.~2, 153--159.

        \item $[$SBR03$]$
        M.~Schroder, M.~Bogdan, W.~Rosenstiel, T.~Hinterberger, and
        N.~Birbaumer,
        \emph{{Automated EEG feature selection for brain computer interfaces}},
        Proceedings of the 1st International IEEE EMBS Conference on Neural
        Engineering, 2003, pp.~626--629.

        \item $[$SIK04$]$
        S.~Schneider, C.~Igel, C.~Klaes, H.R. Dinse, and J.C. Wiemer,
        \emph{{Evolutionary adaptation of nonlinear dynamical systems in
        computational neuroscience}},
        Genetic Programming and Evolvable Machines \textbf{5} (2004),
        no.~2, 215--227.

        \item $[$WN03$]$
        T.D. Wager and T.E. Nichols,
        \emph{{Optimization of experimental design in fMRI: a general
        framework using a genetic algorithm}},
        Neuroimage \textbf{18} (2003), no.~2, 293--309.

        \item $[$WLCH07$]$
        Wang, Y. and Li, S. and Chen, Q. and Hu, W.,
        \emph{{Biology Inspired Robot Behavior Selection Mechanism:
        Using Genetic Algorithm}},
        LECTURE NOTES IN COMPUTER SCIENCE \textbf{4688}
        (2007), 777.

        \item $[$YF08$]$
        J.Y. Yeh and JC~Fu,
        \emph{{A hierarchical genetic algorithm for segmentation of
        multi-spectral human-brain MRI}},
        Expert Systems with Applications
        \textbf{34} (2008), no.~2, 1285--1295.
    \end{itemize}
\end{frame}

\begin{frame}
    \begin{center}
        \href{http://creativecommons.org/licenses/by-sa/2.0/fr/}{\includegraphics[width=.40\linewidth]{images/cc_by_sa}}
        \\[3em]
        \textbf{Illustrations}\\\medskip
        \href{http://commons.wikimedia.org/wiki/User:Nojhan}{Johann "nojhan" Dréo} \raisebox{-0.5\height+0.3em}{\href{http://creativecommons.org/licenses/by-sa/2.0/fr/}{\includegraphics[height=1em]{images/cc_by_sa_small}}}
    \end{center}
\end{frame}

\end{document}